Субтитры для Shorts автоматически: пять способов и где каждый ломается

Способы сделать субтитры для shorts автоматически отличаются не качеством движка, а тем, отдаёт ли инструмент пословный тайминг, можно ли поправить одно слово без сдвига соседей и забираешь ли ты файл с таймкодами. Ниже — разбор по признакам и инструкция, как самому проверить точность на своём куске речи.

Цвет кнопки и число шаблонов в интерфейсе почти ничего не решают. Решают пять вещей, и каждая ломается по-своему.

1. Пословный стиль. Слово подсвечивается по мере произнесения (караоке) или на экране висит целая строка — от этого зависит, попадает ли взгляд зрителя в ритм речи.
2. Попадание в слова. Держится ли слово на губах на быстрой речи и что происходит в паузах и тишине.
3. Мат и имена. Заглушается ли мат автоматически и можно ли поправить написание имени и термина, не переделывая реплику.
4. Экспорт SRT и VTT. Отдаёт ли инструмент отдельный файл с таймкодами — для площадок, которые показывают свою дорожку субтитров.
5. Цена и ограничения. Чем операция оплачивается, есть ли потолок по длине ролика, остаётся ли файл у тебя.

Таблица ниже — устройство каждого способа по документации и интерфейсу. Детали у площадок и в CapCut меняются от версии к версии, поэтому значения в строках — это то, как подход работает в принципе; свою сборку всё равно стоит проверить по шагам из раздела ниже.

Слом всегда один и тот же по природе: инструмент угадывает, где кончается слово. Разница в том, что он с догадкой делает и что ты можешь поправить руками.

Встроенные субтитры площадок

Сильное: ноль настроек, работает из приложения, ничего не весит. Что учесть: строка висит целиком, пословной анимации в стиле TikTok не будет — её надо собирать в ролике отдельно. Правка ограничена текстом строки, перетащить границу слова нечем, и хочется просто удалить строку — а вместе с ней пропадёт кусок речи.

CapCut и его аналоги

Сильное: караоке-пресеты из коробки, всё в одном окне с монтажом, пословная подсветка настраивается мышкой. Что учесть: на быстрой речи границы слов разъезжаются, и после ручной правки одной строки соседние легко уезжают за ней — приходится перепроверять весь участок. Экспорт с таймкодами есть не везде.

На быстрой речи строка склеивается и уезжает от губ, потому что модель угадывает конец слова. Выравнивание по звуку ставит таймкод каждого слова по его фактическому месту в дорожке, а растянутые концы подрезаются — тогда перенос встаёт на границе фразы, а не посреди слова.

Ручной SRT

Сильное: полный контроль — сам решаешь, где кончается слово, как назвать героя и чем заменить мат. Что учесть: на 40-секундном шортсе с быстрой речью таймкоды придётся выставлять для каждой реплики, и это ровно те же часы, которых не хватает на монтаж. Способ спасает, когда субтитров мало или они нестандартные.

Kutto, субтитры

Сильное: таймкод ставится выравниванием по звуку, а не угадыванием границ, растянутые концы слов подрезаются заранее; правка слова меняет только текст, время соседей не трогает. Стили берутся из пресетов клипов, поэтому ролик из инструмента и клип из Нарезки выглядят одинаково, есть заглушка мата и выгрузка SRT/VTT. Что учесть: собственных шаблонов субтитров нет — только готовые пресеты, а ролик длиннее 30 минут это уже задача Нарезки.

Распознавание речи устроено как угадывание следующего фрагмента: модель слышит куски звука и предполагает, какие это слова — и когда кончается последнее в куске. На паузах, вдохах и музыке она достраивает «титры», которых в речи не было, а на быстрой речи растягивает конец слова, потому что не знает точно, где тот затих.

Отсюда классическая картина: слово ещё не прозвучало, а субтитр уже висит, или наоборот — висит, когда человек молчит. В Kutto распознавание идёт тем же конвейером, что и в Студии: звук режется на окна склеенной речи, идёт по цепочке распознавания, а потом слова выравниваются по звуку — таймкод ставится по фактическому месту слова в дорожке, а растянутые концы подрезаются. Поэтому правка текста не перераспознаёт речь: строка прогона одна на ролик, а рендеры копятся отдельно.

Проверка занимает меньше минуты и не требует ни одной чужой цифры. Смысл в том, чтобы взять самый неудобный кусок и посмотреть, что сломается.

1. 1

   Отбери 20–30 секунд худшего случая

   Возьми фрагмент, где речь быстрая, есть имя, бренд или сленг, и где в кадре хотя бы раз двое говорят. Именно на нём разница видна сразу.

2. 2

   Прогони автосубтитры

   Загрузи фрагмент и посмотри результат без правок — так видно, что инструмент делает сам, а что придётся доделывать руками.

3. 3

   Проверь по трём точкам

   Первое: слово стоит на губах или опаздывает. Второе: перенос строки не рвёт фразу и не уводит слово за край. Третье: имя и термин написаны правильно.

4. 4

   Поправь одно слово и посмотри на соседей

   Исправь написание в середине реплики. Если после этого поехали таймкоды соседних слов — править такой файл на длинном ролике будет больно.

5. 5

   Забери SRT и посмотри его в плеере

   Выгрузи файл с таймкодами и открой отдельной дорожкой. Видно, твои это тайминги или ролик умеет отдать только картинку с вшитым текстом.

Ни один способ не даёт гарантированный результат на плохом входе, и выравнивание не исключение — оно ставит слова по звуку, но не придумывает то, чего в звуке нет.

• Субтитры попадают в губы на самом быстром куске — проверено на фрагменте, а не на интро.
• Имена, бренды и термины написаны верно; спорные сверены со звуком.
• Строки не длиннее экрана и не заходят под интерфейс площадки, перенос не рвёт фразу.
• Мат заглушён там, где это нужно для площадки.
• Заглушка и вшитые субтитры не спорят между собой: в ролике один стиль.
• SRT выгружен, если площадка показывает отдельную дорожку.

Чек-лист прогоняй на самом неудобном фрагменте, а не на спокойном интро: если субтитры держатся там, на остальном ролике тем более попадут. Отдельно сверь мат и имена — именно на них чаще всего всплывают ошибки уже после публикации.